Mapping urban land cover based on spatial-spectral classification of hyperspectral remote-sensing data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this article, an innovative classification framework for hyperspectral image data, based on both spectral and spatial information, is proposed. The main objective of this method is to improve the accuracy and efficiency of high-resolution land-cover mapping in urban areas. The spatial information is obtained by an enhanced marker-based minimum spanning forest (MMSF) algorithm. A pixel-based support vector machine (SVM) algorithm is first used to classify the hyperspectral image data, then the enhanced MMSF algorithm is applied in order to increase the accuracy of less accurately classified land-cover types. The enhanced MMSF algorithm is used as a binary classifier. These two classes are the low-accuracy class and remaining classes. Finally, the SVM algorithm is trained for classes with acceptable accuracy. In the proposed approach, namely MSF-SVM, the markers are extracted from the classification maps obtained by both SVM and watershed segmentation algorithms, and are then used to build the MSF. Three benchmark hyperspectral data sets are used for the assessment: Berlin, Washington DC Mall, and Quebec City. Experimental results demonstrate the superiority of the proposed approach compared with SVM and the original MMSF algorithms. It achieves approximately 5, 6, and 7% higher rates in kappa coefficients of agreement in comparison with the original MMSF algorithm for the Berlin, Washington DC Mall, and Quebec City data sets, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle